26236 ورقة بحثية
تقدم الورقة البحثية D3-Gym، وهي أول مجموعة بيانات تم إنشاؤها تلقائياً وتضم 565 مهمة علمية واقعية قابلة للتحقق عبر أربعة تخصصات، والتي تعزز بشكل كبير أداء النماذج اللغوية مفتوحة المصدر في الاكتشاف القائم على البيانات من خلال توفير بيئات تدريب وإشارات تقييم عالية الجودة.
تقترح هذه الورقة إطاراً رسمياً يعيد صياغة تجاوزات الأطبرا لتوصيات الذكاء الاصطناعي باعتبارها إشارات تفضيل ضمنية، مقدمةً بنية تعلم ثنائية وتصنيفاً للتجاوزات لتدريب نماذج المكافأة بما يتوافق مع نتائج المرضى في الرعاية القائمة على القيمة، مع التخفيف من حدة انحياز الكبت الناتج عن تفاوت قدرات الأطباء.
تقدم هذه الورقة إطار عمل للتكثيف المدرك للبنية لتقنية "Gaussian Splatting" ثلاثية الأبعاد، والذي يعمل على تسريع التقارب وتحسين جودة إعادة البناء من خلال استخدام تحليل التردد متعدد المقاييس لتوجيه الانقسام متباين الخواص بناءً على تفاصيل النسيج المحلية، بدلاً من الاعتماد على تدرجات الفضاء الشاشي القياسية.
تقدم هذه الورقة "التعلم الواعي بالتكلفة" (Cost-Aware Learning)، وهو إطار عمل يقلل إجمالي تكاليف التدريب من خلال مراعاة تباين نفقات أخذ العينات، مقترحاً خوارزمية "الاشتقاق المتدرج العشوائي الواعي بالتكلفة" (Cost-Aware SGD) مع ضمانات نظرية وطريقة لاختيار المجموعات الفرعية، وتطبيق هذه الرؤى لتطوير "خوارزمية تحسين السياسة الواعية بالتكلفة" (Cost-Aware GRPO)، التي تقلل استخدام الرموز (tokens) في تحسين سياسة النماذج اللغوية الكبيرة بنسبة تصل إلى 30% مع الحفاظ على الأداء.
يقدم هذا البحث MIFair، وهو إطار عمل موحد للمعلومات المتبادلة يعالج بفعالية التقاطعية، والإعدادات متعددة الفئات، ومتطلبات العدالة المتنوعة من خلال قالب مقياس مرن وطريقة تخفيف أثناء المعالجة، مما يظهر خفضاً قوياً للتحيز وأداءً تنبؤياً عبر مجموعات بيانات من العالم الحقيقي.
تعالج هذه الورقة الفجوة في فهم المثالية لتقدير متوسط المتجهات الخاص في نموذج الخلط (shuffle model) من خلال تقديم مؤشر الخلط لصياغة مسألة تحسين صريحة، وإرساء حد أدنى لـ "مجموع الحد الأدنى والأقصى" (minimax lower bound) يكشف عن عدم مثالية آليات الخصوصية التفاضلية المحلية (LDP) القياسية تحت عملية الخلط، وبناء آلية مثالية تقاربيًا تحقق مقايضة بين الخصوصية والمنفعة مماثلة لآلية غاوس المركزية.
تُثبت هذه الورقة أن هوية "كولباك - ليبلر" (KL) واحدة للعائلات الأسية، مقترنةً بعدم سلبية تباعد "كولباك - ليبلر"، توفر إطاراً جبرياً موحداً وأولياً لاستخلاص مجموعة واسعة من النتائج الجوهرية في الاستدلال التبايني، والتعلم التعزيزي، والتحليل المحدب، والتي تُثبت تقليدياً باستخدام حجج منفصلة أكثر تعقيداً.
تقدم هذه الدراسة إطار عمل لتعلم الآلة يستخدم الإشارات الفسيولوجية الكهربائية للنبات للكشف عن الإجهاد المائي في نباتات الطماطم قبل ظهور الأعراض المرئية بمدة تصل إلى 30 دقيقة، محققةً دقة تصنيف تصل إلى 92% ومقدمةً أداة لدعم اتخاذ القرار من أجل إدارة مثلى للري.
تستخدم هذه الدراسة نهج تنقيب البيانات على بيانات حوادث المشاة في لويزيانا (2017-2021) لتوضيح أن ما يقرب من 50% من الحوادث التي لا تقع عند التقاطعات تحدث ضمن مسافة 198 قدمًا من التقاطع، مما يكشف عن أنماط مخاطر متميزة عبر ثلاث مناطق مسافات ويساهم في توجيه التدابير الوقائية المستهدفة.
تقدم هذه الورقة TopBench، وهو معيار مرجعي جديد مصمم لتقييم النماذج اللغوية الكبيرة في الاستدلال التنبؤي الضمني على البيانات الجدولية، مما يكشف أن النماذج الحالية تعاني في التعرف على القصد وغالباً ما تلجأ إلى عمليات البحث البسيطة بدلاً من استنتاج الإجابات غير الملحوظة من الأنماط التاريخية.